轴承故障诊断方法、装置及系统制造方法及图纸

本申请公开了一种轴承故障诊断方法、装置及系统，涉及故障检测技术领域，所述方法包括：获取能够反映轴承工作状态的轴承数据；根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。本申请的方案实解决了目前轴承故障诊断依赖认为因素、无法从原始数据中提取深层特征且不能很好地处理高维数据等问题，实现了精确快速的对轴承故障进行诊断，确保设备正常运行。

【技术实现步骤摘要】
轴承故障诊断方法、装置及系统
本申请涉及故障检测
，尤其是涉及一种轴承故障诊断方法、装置及系统。
技术介绍
滚动轴承广泛应用于泵、涡轮、齿轮箱、压缩机、发动机等旋转机械中，由于旋转设备的复杂性和工作环境的性质，滚动轴承非常容易发生故障。根据有关统计显示，轴承故障占所有电机故障的40％至50％。当轴承发生故障时，可能会造成严重的经济损失甚至威胁生命。因此，对滚动轴承进行自动、准确的故障诊断，对维护机械设备的安全稳定运行具有重要意义。在现有技术中，故障诊断方法通常可分为基于模型、基于信号和基于智能的方法。基于模型的方法是从系统获得的实际测量值与系统数学模型生成的输出值进行比较，然而，在采用基于模型的方法时，需要提前了解系统的先验信息，否则会对模型精度造成很大的影响。基于信号的诊断方法使用傅里叶变换、小波变化等方法从测量信号中提取时域、频域或时频域特征，然而，基于信号的诊断方法很大程度上依赖于模式分析和监控系统的先验知识。在实践中，这种先验知识很大程度上受人为因素的影响，甚至在系统非线性或工作条件高度复杂的情况下可能无法获得。基于智能的方法通过机器学习能够利用大量数据来解决人类看不到的特定趋势和模式。然而，传统的机器学习模型仍然存在难以从原始数据中提取深层特征，且不能很好地处理高维数据的不足。
技术实现思路
本申请的目的在于提供一种故障诊断检测方法、装置及系统，从而解决现有技术中故障诊断依赖人为因素、无法提取深层特征和无法处理高维数据的问题。为了达到上述目的，本申请提供一种轴承故障诊断方法，包括：获取能够反映轴承工作状态的轴承数据；根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。可选地，所述预先构建的分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块；其中，所述预测计算模块输出所述目标分层卷积神经网络模型的输出结果。可选地，预先构建的分层卷积神经网络模型的建立过程包括：构建轴承故障的层次结构，其中，所述层次结构包括故障状态层、故障位置层和严重程度层；构建卷积神经网络的基础构建模块，所述卷积神经网络的基础构建模块包括至少三个特征提取模块和一个预测计算模块，其中，至少三个所述特征提取模块依次连接，所述预测计算模块设置于最后一个所述特征提取模块之后；基于卷积神经网络的层次结构，将所述轴承故障的层次结构和所述基础构建模块进行融合；根据预设选取规则，选取两个所述特征提取模块，在选取的每一所述特征提取模块之后设置一个预测计算模块，以构建所述预先构建的分层卷积神经网络模型；其中，每一所述预测计算模块输出所述输出结果中的一个参数。可选地，根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型，包括：根据预配置的轴承数据的数量和特征提取模块数量的对应关系，调整所述基础构建模块；根据预配置的特征提取模块数量与预测计算模块位置信息，调整所述预测计算模块的位置。可选地，将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，包括：将所述轴承数据划分为训练集数据、验证集数据和测试集数据；将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练；将所述验证集数据输入至迭代训练后的目标分层卷积神经网络模型，根据验证结果调整迭代训练后的目标分层卷积神经网络模型的模型参数；将所述测试集数据输入至调整后的目标分层卷积神经网络模型，获取所述输出结果。可选地，将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练，包括：将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值；根据所述最终损失值对所述目标分层卷积神经网络模型进行优化，以更新所述目标分层卷积神经网络模型。可选地，将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值，包括：获取每一所述预测计算模块输出的损失值；根据预配置的损失权重和每一所述预测计算模块输出的所述损失值，计算所述模型的最终损失值。可选地，所述方法还包括：获取用户输入的诊断需求信息；根据所述诊断需求信息，调整层次结构中的各层的权重；其中，所述层次结构为所述预先构建的分层卷积神经网络模型中的轴承故障的层次结构。可选地，所述方法还包括：执行与所述输出结果相对应的控制策略。本申请实施例还提供一种轴承故障诊断装置，包括：第一获取模块，用于获取能够反映轴承工作状态的轴承数据；第一调整模块，用于根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；第二获取模块，用于将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。可选地，所述预先构建的分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块；其中，所述预测计算模块输出所述目标分层卷积神经网络模型的输出结果。可选地，所述装置还包括：建立模块，用于建立所述预先构建的分层卷积神经网络模型；所述建立模块包括：第一构建子模块，用于构建轴承故障的层次结构，其中，所述层次结构包括故障状态层、故障位置层和严重程度层；第二构建子模块，用于构建卷积神经网络的基础构建模块，所述卷积神经网络的基础构建模块包括至少三个特征提取模块和一个预测计算模块，其中，至少三个所述特征提取模块依次连接，所述预测计算模块设置于最后一个所述特征提取模块之后；融合子模块，用于基于卷积神经网络的层次结构，将所述轴承故障的层次结构和所述基础构建模块进行融合；第三构建子模块，用于在根据预设选取规则，选取两个所述特征提取模块，在选取的每一所述特征提取模块之后设置一个预测计算模块，以构建所述预先构建的分层卷积神经网络模型；其中，每一所述预测计算模块输出所述输出结果中的一个参数。可选地，所述第一调整模块包括：第一调整子模块，用于根据预配置的轴承数据的数量和特征提取模块数量的对应关系，调整所述基础构建模块；第二调整子模块，用于根据预配置的特征提取模块数量与预测计算模块位置信息，调整所述预测计算模块的位置。可选地，所述第二获取模块包括：划分子模块，用于将所述轴承数据划分为训练集数据、验证集数据和测试集数据；本文档来自技高网...

【技术保护点】
1.一种轴承故障诊断方法，其特征在于，包括：/n获取能够反映轴承工作状态的轴承数据；/n根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；/n将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。/n

【技术特征摘要】
1.一种轴承故障诊断方法，其特征在于，包括：
获取能够反映轴承工作状态的轴承数据；
根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；
将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。


2.根据权利要求1所述的方法，其特征在于，所述预先构建的分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块；
其中，所述预测计算模块输出所述目标分层卷积神经网络模型的输出结果。


3.根据权利要求2所述的方法，其特征在于，预先构建的分层卷积神经网络模型的建立过程包括：
构建轴承故障的层次结构，其中，所述层次结构包括故障状态层、故障位置层和严重程度层；
构建卷积神经网络的基础构建模块，所述卷积神经网络的基础构建模块包括至少三个特征提取模块和一个预测计算模块，其中，至少三个所述特征提取模块依次连接，所述预测计算模块设置于最后一个所述特征提取模块之后；
基于卷积神经网络的层次结构，将所述轴承故障的层次结构和所述基础构建模块进行融合；
根据预设选取规则，选取两个所述特征提取模块，在选取的每一所述特征提取模块之后设置一个预测计算模块，以构建所述预先构建的分层卷积神经网络模型；
其中，每一所述预测计算模块输出所述输出结果中的一个参数。


4.根据权利要求3所述的方法，其特征在于，根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型，包括：
根据预配置的轴承数据的数量和特征提取模块数量的对应关系，调整所述基础构建模块；
根据预配置的特征提取模块数量与预测计算模块位置信息，调整所述预测计算模块的位置。


5.根据权利要求2所述的方法，其特征在于，将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，包括：
将所述轴承数据划分为训练集数据、验证集数据和测试集数据；
将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练；
将所述验证集数据输入至迭代训练后的目标分层卷积神经网络模型，根据验证结果调整迭代训练后的目标分层卷积神经网络模型的模型参数；
将所述测试集数据输入至调整后的目标分层卷积神经网络模型，获取所述输出结果。


6.根据权利要求5所述的方法，其特征在于，将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练，包括：
将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值；
根据所述最终损失值对所述目标分层卷积神经网络模型进行优化，以更新所述目标分层卷积神经网络模型。


7.根据权利要求6所述的方法，其特征在于，将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值，包括：
获取每一所述预测计算模块输出的损失值；
根据预配置的损失权重和每一所述预测计算模块输出的所述损失值，计算所述模型的最终损失值。


8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户输入的诊断需求信息；
根据所述诊断需求信息，调整层次结构中的各层的权重；其中，所述层次结构为所述预先构建的分层卷积神经网络模型中的轴承故障的层次结构。


9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
执行与所述输出结果相对应的控制策略。


10.一种轴承故障诊断装置，其特征在于，包括：
第一获取模块，用于获取能够反映轴承工作状态的轴承数据；
第一调整模块，用于根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；
第二获取模块，用于将...

【专利技术属性】
技术研发人员：熊辉，刘检华，苏凯鸽，庄存波，张雷，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11